PREDIÇÃO DA ÁREA DO MÚSCULO Longissimus dorsi A PARTIR DE IMAGENS ULTRASSONOGRÁFICAS EM OVINOS UTILIZANDO VISÃO COMPUTACIONAL

Abstract

RESUMO: A ovinocultura de corte é um setor que se encontra em constante expansão. Este setor também está ganhando espaço no agronegócio brasileiro e na região Nordeste. Entretanto, a produtividade é baixa. Portanto, este setor exige alternativas tecnológicas dentro do melhoramento genético dos rebanhos, como fenotipagem de precisão, através das coletas de informações fenotípicas com precisão para permitir melhorar o rendimento de carcaça dos animais, a fim de atender às demandas e a avaliação de carcaça com resultados mais precisos, a qual tem sido realizada a partir da análise de imagens ultrassonográficas por profissionais especializados. Sendo assim, o objetivo com pesquisa foi o desenvolvimento de uma abordagem com o uso de inteligência artificial para avaliação de carcaça ovina de forma acurada por meio do reconhecimento de imagens ultrassonográficas do músculo Longissimus dorsi. A metodologia proposta para este trabalho foi dividida em 4 etapas. Na etapa de coleta de dados, 121 imagens ultrassonográficas de fêmeas ovinas foram coletadas com auxílio de aparelho de ultrassom, Durante a segmentação das regiões de interesse, utilizou-se apenas um método de segmentação automatizado com base em algoritmo de redes neurais (U-Net). Para a avaliação de segmentações automáticas, utilizou-se as métricas de coeficiente de dados Dice e a métrica de intersecção sobre união (IoU). Na extração de recursos, objetivou-se encontrar características importantes para a previsão de AOL (Área de Olho de Lombo). Na última etapa, foi realizada uma análise de regressão, sendo a variável independente os valores dos atributos obtidos com os descritores utilizados e a variável dependente a AOL previsto para a imagem de ultrassom do animal, aonde utilizou-se as métricas de quadrado médio do resíduo (QMR) e erro médio absoluto (EMA). Dois algoritmos de regressão foram utilizados, AdaBoost Regressor(ABR)e Random Forest Regressor (RFR). Realizou-se uma análise de variância e o teste “t” de student para comparar as médias de AOL observada e predita. Os valores obtidos pela métrica Dice foi de 0,94 e a da IoU foi de 0,89 o que demonstra alta similaridade entre o real e o previsto. Os valores de QMR, EMA e R² para o ABR é de, respectivamente, 2,61, 1,22 e 0,51 e para o RFR é de 2,15, 1,12 e 0,61, o que demonstra uma correlação positiva entre os valores preditos e os valores reais. Observou que não houve diferenças significativas entre as médias de AOL observada e predita. Portanto, a medição automatizada da AOL a partir de imagens ultrassonográficas é promissora e possibilitará maior eficiência na realização desta medida em grandes quantidades de imagens com alta precisão, pois dispensa a intervenção humana na delimitação da área do músculo Longissimus dorsi em ovinos de corte de carcaça. ABSTRACT: Beef sheep is an expanding sector. This sector is also gaining space in Brazilian agribusiness and in the Northeast region. However, productivity is low. Therefore, this sector requires technological alternatives within the genetic improvement of herds, such as precision phenotyping, through the collection of phenotypic information needed to improve the carcass yield of the animals, to meet the demands and the carcass evaluation with more accurate results. , one that has been carried out from the analysis of ultrasound images by specialized professionals. Therefore, the objective with research was the development of an approach with the use of artificial intelligence to evaluate sheep carcass accurately through the recognition of ultrasound images of the Longissimus dorsi muscle. The methodology proposed for this work was divided into 4 stages. In the data collection stage, 121 ultrasound images of sheep from collections were collected with the aid of an ultrasound device. During the selection of the regions of interest, using only an automated supply method based on a neural network algorithm (U-Net) For the evaluation of automatic segmentations, the Dice data coefficient metrics and the intersection over union (IoU) metrics were used. In the extraction of resources, the objective was to find important characteristics for a forecast of REA (Rib Eye Area). In the last step, a regression analysis was performed, with the independent variable being the values of the resources provided with the descriptors used and the REA-dependent variable predicted for the animal's ultrasound image, where it was used as mean square error (MSE) and mean absolute error (MAE). Two regression algorithms were used, AdaBoost Regressor (ABR) and Random Forest Regressor (RFR). An analysis of variance and the student's “t” test were performed to compare how REA averages were compared and predicted. The values obtained by the metric Dice was 0.94 and that of the IoU was 0.89, which demonstrates a high similarity between the real and the predicted. The values of MSE, MAE and R² for ABR are 2.61, 1.22 and 0.51, respectively, and for RFR it is 2.15, 1.12 and 0.61, which demonstrates a correlation between predicted and actual values. He observed that there were no significant differences between the observed and predicted REA averages. Therefore, an automated measurement of REA from ultrasound images is promising and will enable greater efficiency in carrying out this measurement in large quantities of images with high precision, since it does not require human intervention in the delimitation of the Longissimus dorsi muscle area in carcass sheep.